对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

SimpSOM（简单的自组织图） 版本1.3.4 SimpSOM是适用于Python 2.7和3的Kohonen自组织映射（SOM）的轻量级实现，可用于无监督学习，聚类和降维。 该软件包现在可以在PyPI上使用，要检索它，只需键入pip install SimpSOM或从此处下载它，然后使用python setup.py install 。 它使您可以在数据集上构建和训练SOM，保存/加载训练后的网络权重以及显示或打印具有选定功能的网络图。 函数run_colorsExample()将运行一个玩具模型，其中许多颜色将从3D RGB空间映射到2D网络映射，并根据它们在原始空间中的相似性进行聚类。 依存关系 Numpy 1.11.0（较旧的版本可能适用）； Matplotlib 1.5.1（较旧的版本可能适用）； Sklearn 0.15（较旧的版本可能适用）； 使用范例 这是有关如

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）

This book describes established and advanced methods for reducing the dimensionality of numerical databases. Each description starts from intuitive ideas, develops the necessary mathematical details, and ends by outlining the algorithmic implementation. The text provides a lucid summary of facts and concepts relating to well-known methods as well as recent developments in nonlinear dimensionality reduction. Methods are all described from a unifying point of view, which helps to highlight their respective strengths and shortcomings. The presentation will appeal to statisticians, computer scientists and data analysts, and other practitioners having a basic background in statistics or computational learning.

星座图的matlab代码自动编码器用于降维 使用自动编码器进行降维的简单，单个隐藏层示例 在现代“大数据”时代，一项艰巨的任务是减少特征空间，因为在当今的超大数据集中执行任何类型的分析或建模在计算上都非常昂贵。 为此目的，有各种各样的技术：PCA，LDA，拉普拉斯特征图，扩散图等。在这里，我使用了基于神经网络的方法，即自动编码器。 自动编码器本质上是一个神经网络，在中间（以某种方式）对其进行编码之后，它会在其输出中复制输入层。 换句话说，NN在将其输入经过一组堆栈之后尝试预测其输入。 NN的实际体系结构不是标准的，而是用户定义和选择的。 通常看起来像是镜像图像（例如，第一层256个节点，第二层64个节点，第三层又是256个节点）。 在这个简单的介绍性示例中，由于输入空间最初相对较小（92个变量），因此我仅使用一个隐藏层。 对于较大的特征空间，可能需要更多的层/更多的节点。 我将特征空间从这92个变量减少到只有16个。AUC分数非常接近我为此数据集构建的最佳NN（0.753对0.771），因此我们的数据减少了5倍，因此没有牺牲太多信息。 建立自动编码器模型后，我使用它来将我的92个特征的

matlab开头代码

"Approximate Dynamic Programming: Solving the Curses of Dimensionality" 介绍了动态规划的算法、理论和应用。是学习动态规划的极佳教材

DBSCAN是一种经典的基于密度的聚类技术，在发现任意形状的聚类和处理噪声方面广为人知。 但是，面对高维数据时，密度计算非常耗时，这使得它在许多领域都效率低下，例如多文档摘要，产品推荐等。因此，如何有效地计算高维数据的密度成为了基于DBSCAN的群集技术的一个关键问题。 在本文中，我们提出了一种基于DBSCAN的高维数据聚类的快速算法，称为Dboost。 在我们的算法中，一种名为WAND＃的分级检索技术改编被新颖地应用于改进密度计算而没有精度损失，并且我们通过减少WAND＃的调用时间来进一步提高了这种加速。 对电线电压数据，Netflix数据集和微博语料库进行了实验。 结果表明，线电压数据和Netflix数据集可实现50倍以上的加速，而微博客数据可望实现100倍以上的加速。

Matlab Toolbox for Dimensionality Reduction Matlab数据降维工具箱，包括几乎所有的数据降维方法：PCA、LDA、ICA、MDS、Isomap、LandmarkIsomap、LLE、LLC、Laplacian、HessianLLE、LTSA、DiffusionMaps、KernelPCA、KernelLDA、SNE、NPE、LPP、SPE、LLTSA、SPCA、CCA、MVU、FastMVU、AutoEncoder、AutoEncoderEA